基于多分支网络的行人重识别方法研究

发布时间：2021-08-31 16:50

　　随着深度学习的快速发展和行人重识别在视频监控、自动驾驶和公共安全等领域的广泛应用,基于深度网络的行人重识别已成为计算机视觉领域的研究热点。由于行人重识别始终存在遮挡,姿势和视角变化的问题,通过多分支网络学习全面、鲁棒且具有辨别力的特征表示是解决这些问题的新的研究方向。本文从损失函数和网络结构两个方面开展基于多分支网络的行人重识别方法研究。主要完成以下三个工作:1.改进行人重识别的多损失融合方法。传统多损失融合方法中的三元组损失在度量空间仅扩大类间相对距离,而忽略类间的绝对距离。针对传统多损失融合方法中的存在问题,提出中心损失改进的多损失融合方法。新方法弥补了三元组损失忽略类间的绝对距离的问题,同时通过中心损失的聚类效果进一步提升所提特征的辨别力。本工作在Market1501数据集进行实验验证。实验表明,所提出的方法与传统多损失融合方法相比提高了模型的分类精度。2.改进多损失在批特征消除网络中的瓶颈结构。批特征消除网络中分支具有不同特性,多个损失函数在训练时又彼此干扰,因此找到适合不同分支的损失函数和瓶颈结构至关重要。针对这个问题,本文在提出使用中心损失和BNNeck瓶颈结构改进批特征消... 

【文章来源】：兰州理工大学甘肃省

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

在Market1501数据集上训练原始BDB网络的损失曲线

硕士学位论文27表4.1BNNeck结合BDB网络不同分支的识别性能比较方法CUHK-LabelCUHK-DetectDukeMTMCMarket1501Rank-1mAPRank-1mAPRank-1mAPRank-1mAPBDBBaselineGlobal+BNDropBlock+BNBothBranch+BN78.480.080.182.874.777.678.480.375.478.876.680.172.575.174.277.288.187.888.188.475.175.375.775.894.493.994.294.385.484.985.386.2表4.1是BNNeck（BN）分别单独结合BDB网络的全局特征分支或是批特征消除分支的实验结果和BNNeck结构同时结合两个分支的实验结果。其中BNNeck同时结合两个分支的实验结果在CUHK03和DukeMTMC-reID数据集上均达到最佳结果，特别是在CUHK-Detect数据集上本章改进方法相比BDBBaseline的Rank-1提升了4.7%，mAP提升了4.7%。为了观察BNneck结构对Softmax损失和三元组损失的影响，本文在Market1501数据集中训练原始BDB网络和BNNeck结合两个分支的模型，图4.4是训练两个模型得到的三元组损失和Softmax损失的损失曲线。图4.4在Market1501数据集上训练原始BDB网络的损失曲线图4.5在Market1501数据集上训练BNneck结合BDB网络的损失曲线


本文编号：3375257